做短视频做得越久，我越发现一个怪现象：圈子里的“AI龙虾”——就是那些天天追新工具、新模型，但实际内容产能没怎么涨的人——缺的根本不是更强的AI，而是一套能让AI稳定干活的生产流程。我自己也当过一段时间“AI龙虾”，桌面上堆满了各种AI工具，今天试试这个生成脚本，明天试试那个生成封面，折腾一个月，视频产量一点没提升。问题的根源在于：每次调用AI都要从头写提示词，输出的格式五花八门，拿到结果还得自己二次加工，AI始终像“一个很聪明的临时工”，而不是“生产线上的熟练工”。
后来我把工作流切到Agent Skills这套思路上，情况才真正改观。所谓Skills，就是给Agent定义好的独立技能文件，里面写清楚触发条件、处理步骤、输出格式和禁忌项。你可以把它理解成给AI发了一本“岗位说明书+作业指导书+质检标准”，之后每次调用，只需要丢给它原料，就能拿到格式统一、可以直接用的半成品。这篇文章就分享我自己沉淀下来、实际跑通短视频生产链路用的4个Agent Skills，覆盖选题、脚本、剪辑、复盘四个环节。如果你也是一个人干一个团队活的创作者，或者小团队里负责内容的人，这篇应该能帮你省下不少试错时间。
1. 先理清一件事：短视频团队缺的不是AI，是可复用的“生产技能”
1.1 “会用AI”和“产能提升”之间隔着一道墙
我先说个观察。很多内容团队的状态是这样的：工具列表比团队人数还长，每个工具都会用一点，但产出还是靠人肉硬扛。为什么？因为AI能力没有被组织成“生产技能”。你让AI帮你写脚本，它写得出来；帮你取标题，它取得出；但第二天换个账号、换个赛道，你又得从头调提示词，又得花两个小时磨输出格式。这种用法下，AI只是“增强版的搜索引擎”，不是一个能持续产生生产力的系统。
真正的产能提升，靠的是把反复要做的事抽象成固定的技能模块。比如拍短视频，不管今天拍美食还是明天拍数码，底层逻辑都是“先有选题，再写脚本，再定剪辑方案，再复盘数据”。这套逻辑是稳定的。稳定的事，就应该做成可复用的技能，而不是每次重新发明轮子。
1.2 Skill和普通提示词的区别：一次封装，反复调用
很多人问我，Agent Skills不就是个复杂点的提示词吗？还真不是。提示词是你每次派活时的口头交代，说清楚“今天要干什么、大概怎么干”，但AI发挥空间很大，输出飘忽不定。而Skill是预先定义好的结构化文件，里面有明确的输入项、处理步骤、输出模板、规则禁忌，相当于一份标准作业程序。调用的时候，你只需要填参数，比如丢给它一个选题方向词，它按技能文件里规定的流程走完，给你交回固定格式的成果。
以我自己的使用习惯来举例。我在用的Agent开发框架支持Skills机制，每个技能就是一个带元信息的文档，AI会根据description字段判断什么时候调用这个技能。这种机制最大的价值不是单个技能多聪明，而是你可以像搭积木一样组合。一个完整的短视频工作流，被拆成了多个独立技能，每个技能单独维护、单独升级，哪个环节效果不好就换哪个，不会牵一发动全身。
1.3 我选这四个Skill的依据：覆盖短视频生产的四个死穴
为什么是这四个？我做短视频最长时间的感受是：想拍什么最纠结，脚本怎么写最耗人，剪辑沟通最容易扯皮，发布之后的数据最看不懂。这四个环节刚好是内容生产的四个关键节点——策划、脚本、执行、复盘。
- 选题环节：多数人靠灵感，灵感不来就停更。
- 脚本环节：写出来是一回事，能不能拍是另一回事。
- 剪辑环节：文字描述和最终画面之间永远有信息损耗。
- 复盘环节：大多数复盘就是看个播放量，然后猜。
这四个Skill，就是对着这四个死穴做的。下面一个个说。
2. 第一个Skill：把“拍什么”从拍脑袋变成可推演的选题拆解器
2.1 选题的本质不是灵感，是需求坐标
我做短视频初期最大的坑，就是选题靠拍脑袋。今天刷到个热点就跟风拍一个，明天想到个点子又拍一个，结果账号风格漂移，数据忽高忽低。后来我想明白一件事：一个能出内容的选题，本质上是三个维度的交集——目标人群、具体场景、情绪状态。单独说“职场沟通”这个方向，太泛了；但如果说“给刚当上小组长的年轻人，面对老员工不配合时怎么开口”，这就同时有了人群、场景和情绪，这个选题就是可拍的。
所以我的第一个Skill，定位就不是“帮你找灵感”，而是“帮你把模糊方向拆成可拍的选题矩阵”。它做的工作是需求拆解，而不是凭空生成。
2.2 给Agent定义的输入与输出
这个Skill的输入非常简单，就是一个方向词或产品名，比如“职场沟通”“减脂餐”“Python入门”。真正的工作量全在Skill内部的处理流程设计上。
技能文件里我规定的处理步骤是：
- 搜索该方向下近90天互动率高的内容，找出用户真正在讨论的具体话题。
- 抓取这些内容评论区的高频情绪词和典型提问，这些是真实的用户需求信号。
- 按“人群×场景×情绪”三个维度做聚类，生成选题矩阵。
- 从选题矩阵中挑出3个最优项，每个补全标题候选和开头5秒钩子。
输出格式我固定成这样：
## 选题矩阵 | 目标人群 | 具体场景 | 情绪状态 | 一句话选题 | 标题候选（3个） | 前5秒钩子 | |---|---|---|---|---|---| | 内容示例 | 内容示例 | 内容示例 | 内容示例 | 内容示例 | 内容示例 | ## 推荐选题（3个） 每个选题包含：选题名、为什么现在拍、目标用户痛点、预期数据表现这个结构最大的价值在于：它逼着AI去搜索真实讨论，而不是凭空编。之前我用普通提示词让它给选题，它给的全是“如何在职场中有效沟通”这种正确的废话。加了这个流程约束之后，输出才变成“在电梯里被领导突然问工作进展，怎么用30秒说清楚”这种具体到场景的东西。
2.3 一个可以直接套用的示例输出
我拿“职场沟通”跑过一次，输出里有一个我觉得很有代表性的选题：“新晋升的基层主管，第一次给以前平级的同事分配任务，对方说‘我没空’，怎么接话才能不伤和气又不丢权威”。你看这里面的要素：人群是“新晋基层主管”，场景是“给老同事分配任务被拒绝”，情绪是“尴尬、焦虑、怕破坏关系”。这样的选题，拍出来一定有人看，因为它是从真实评论区里长出来的问题，不是我坐在电脑前编的。
这个Skill我用下来的最大心得是：入口不能给得太宽。你给“职场沟通”，它拆出来太散；你给“职场沟通+新晋管理者”，拆出来的东西就能直接用。所以我自己在实际调用时，会在输入里多加一个限定词，相当于给拆解器划了个范围。
3. 第二个Skill：逐秒拆爆款，让AI替你读镜头语言
3.1 拆解爆款拆到秒级才有用
很多创作者看爆款视频，看完只能说出“节奏好”“干货多”“开头很抓人”，但到底好在哪里，说不清楚。这个问题不解决，你永远只能模仿个皮毛。我自己以前也这样，直到我开始让AI做秒级拆解，才发现原来所谓“节奏好”，是可以用数据描述的：前3秒抛出了一个反常识结论，第5秒切了一次特写，第8秒上了一个字幕强调，第12秒语速突然放慢。
这个Skill做的事情就是：把一段爆款视频按时间段逐帧拆开，标出每个时间点发生了什么、画面是什么、说了什么、镜头怎么动、情绪怎么变化。拆到秒级，才有复用的可能。
3.2 强制结构化输出的提示词设计
我在设计这个Skill时，最费劲的地方不是让它“看懂”视频，而是让它“按格式”输出。AI看视频时，天然倾向于主观评价，比如“这段很精彩”“这个开头很吸引人”，这些评价对创作没什么用。我需要的是客观记录。
所以我在技能文件里加了一条硬性规定：只允许客观描述画面内容和声音内容，禁止任何主观评价词。为了让AI执行这个规则，我给了非常具体的输出表格：
## 逐秒拆解表 | 时间段 | 画面内容 | 字幕/花字 | 口播/文案 | 镜头运动 | 语速情绪 | 信息点/知识点 | |---|---|---|---|---|---|---| | 0-3秒 | 描述画面 | 显示文字 | 原句内容 | 固定/推近/摇移 | 情绪状态 | 核心钩子 | ## 结构总结 本文案的信息密度变化曲线、情绪起伏节点、每段内容的功能定位（钩子/铺垫/干货/互动/转化）跑了一段时间之后我确定的经验是：拆解表最好让AI一次性输出完整版，不要让它分批给你。分批容易导致格式前后不一致，后面整理的成本比拆解本身还高。
3.3 从拆解脚本反推自己的拍摄方案
拆解只是第一步，拆完能不能用才是关键。所以我这个Skill的最后一步，是让AI基于拆解结果生成“仿拍策略”。注意，是仿拍不是抄袭，是结构迁移，不是内容搬运。具体来说，我会让它输出：这个爆款的开头结构是什么，中间的信息密度怎么安排，结尾的转化怎么设计，然后对应到我自己账号的内容定位，给出一个结构一致的原创拍摄方案。
例如拆了一个口播类爆款，发现它的结构是“反常识结论开场→两个具体案例→一个方法论→一句金句收尾”。那我就让AI基于我自己的选题，重新填内容进去，保持结构不变，内容全部换成我的。这样出来的脚本，既有验证过的节奏打底，内容又是原创的，数据表现通常比纯自己发挥要稳定。
4. 第三个Skill：从文字脚本到剪辑指令的翻译官
4.1 剪辑沟通的成本，比想象中高得多
写过脚本的人都知道，脚本和成片之间隔着一道巨大的鸿沟。你写“这里节奏快一点”，剪辑理解成“把镜头切碎”，你想要的是“音乐鼓点提前”；你写“这里要突出”，对方给了一个全景，你想的是特写加字幕强调。这种信息损耗，每一条视频都在发生，而且特别消耗精力。我自己有段时间一听到“改剪辑”三个字就头疼，因为沟通一次的成本，比重新剪一版还高。
后来我意识到，问题的根源在于脚本这个载体本身太模糊。它只有文字内容，没有画面指令。所以我要做的Skill，不是教剪辑怎么剪，而是把脚本的每一段自动转译成剪辑能直接执行的指令表。
4.2 翻译三段式：文本分段、镜头预演、剪辑指令表
这个Skill的内部流程我设计成三步。第一步，把脚本按“信息单位”切段。一段表达一个完整意思，不要按自然段切，而是按语义切。第二步，给每一段做“镜头预演”，推断这一段适合什么景别、什么画面信息、要不要出字幕。第三步，把所有段落汇总成一张剪辑指令总表。
这里有个很容易被忽略的细节：AI在做镜头建议时，经常会给出“用舒缓音乐”“加转场”这种空泛建议。为了防这个问题，我在技能里把音乐情绪、转场方式、字幕样式都做成了枚举项，比如音乐情绪只能选“紧张/轻快/温馨/悬念”，转场只能选“硬切/叠化/缩放/淡入淡出”，不许AI自己创造选项。限制反而让输出实用性大大提升。
4.3 一张可以直接套用的指令总表模板
下面这张表是我目前一直在用的输出格式，分享出来可以直接抄：
## 剪辑指令总表 | 段落 | 时间段 | 画面建议 | 字幕样式 | 转场 | 背景音乐 | 强调点 | |---|---|---|---|---|---|---| | P1 | 0-8秒 | 中景口播+关键素材穿插 | 大字标题+关键词高亮 | 硬切 | 紧张铺垫 | 反常识结论 | | P2 | 9-20秒 | 特写演示+字幕同步 | 正常字幕 | 叠化 | 轻快推进 | 操作步骤 | | P3 | 21-30秒 | 全景场景+人物入画 | 金句居中 | 淡出 | 情绪上扬 | 收尾金句 |这个表拿到剪辑手里，几乎不用再问第二句话。时间段、画面、字幕、转场、音乐全写明白了。我自己实测的体感是，剪辑沟通时间能省掉一半以上，而且改稿次数明显下降，因为一开始的指令就给到了位。
5. 第四个Skill：发布后的归因分析，AI帮你设计下一个实验
5.1 数据复盘不是“看播放量”，而是“验证变量”
第四个环节，也是最容易被敷衍的环节：复盘。大多数人的复盘，就是发布之后打开后台看一眼播放量，高了就高兴，低了就安慰自己“算法抽风”，然后继续拍下一条。这种复盘一点用都没有，因为你根本说不清数据好是哪个因素带来的，数据差又是哪个环节拖了后腿。
要把复盘做成真正有用的动作，只有一个办法：把每条视频当成一次实验，设定变量，控制其他因素不变，只改一个变量，看数据怎么变。这个逻辑听起来简单，但人工执行很麻烦，因为要记录变量、对比数据、排除干扰。这块恰恰是Agent擅长的。
5.2 这个Skill怎么把“变量分离”真正落地
我的归因分析Skill，输入是当前视频的完整信息，包括选题、标题、封面描述、开头文案、时长、发布时间、Tag组合、完播率、互动率、转化数据。输出不是一句“表现不错”或者“内容需要优化”这种废话，而是三张表：
第一张是“变量清单表”，把这条视频所有可控因素列出来，标明哪些变量做了调整、哪些保持不变。第二张是“数据关联假设表”，让AI结合所有信息，给出“哪个变量最可能导致了数据变化”的判断，并且标注置信度和理由。第三张是“下期实验建议表”，推荐下一期改哪个变量、怎么改、预期目标是什么。
我重点说第二张表的设计。很多AI复盘工具只会报数据，不会做归因。所以我给Skill加了一个硬性要求：每条假设必须给出“支持证据”和“反证”，逼着AI把理由说出来。比如它可以判断“本期完播率高可能因为前3秒的钩子用了反问句式，上期用的是陈述句，两期时长接近、封面风格一致，主要差异就在开头”，这就是一个有依据的归因，而不是玄学。
5.3 让每个结论都变成下一期的实验卡片
这个Skill最后输出的“下期实验建议表”，我把它设计成可以直接执行的实验卡片：
## 下期实验建议 | 实验编号 | 本期变量 | 下期改动 | 改动原因 | 成功标准 | |---|---|---|---|---| | E-001 | 开头句式：反问→陈述 | 改成第一人称故事开头 | 反问句已验证有效，测试故事钩子效果 | 完播率不低于本期，互动率提升10%以上 |有了这张卡片，我下一条视频就有了一个明确的实验目标，而不是凭感觉拍。整个流程就闭环了：第一条视频的复盘，直接变成第二条视频的策划输入。这也是我上一节说的，第四个Skill和第一个Skill之间可以形成循环，互相喂数据。
6. 四个Skill串成流水线：我实测的顺序、改动与体感
6.1 串联逻辑：一条从“实验”到“策略”的内容飞轮
单独看每个Skill，它们只是解决单点问题；串起来才是一个真正完整的生产系统。我把这四个Skill定义成一条循环链路：选题Skill从真实讨论中找出可拍的方向，脚本Skill把方向变成逐秒可执行的拍摄脚本，剪辑Skill把脚本翻译成剪辑能直接懂的指令表，数据复盘Skill把发布后的表现拆解成下一条视频的实验假设。
这个飞轮最爽的地方在于，每一次循环都在积累。同一个方向拍十条视频，就等于做了十轮AB实验，你对这个领域的用户偏好会越来越清楚，而不再是靠感觉猜。我做了一段时间之后，最明显的改变是：以前选题要纠结大半天，现在只需要定方向词，让Skill跑一轮矩阵，选一个最想拍的就行，决策时间缩短到原来的三分之一左右。剪辑沟通时间也省了一大部分，因为指令表已经把话说透了。
6.2 配置顺序建议：先做哪个Skill收益最大
如果你准备按这个思路落地，我建议不要一上来就把四个Skill全做出来。原因很简单：Skill是需要持续迭代的，一次性做得太满，后面发现规则有bug，改起来成本高。我的建议顺序是：
先做第四个数据复盘Skill。因为只有先建立起数据反馈，后续其他环节的改进才能被验证。没有复盘，你做出来的选题Skill和脚本Skill到底有没有用，根本不知道。做完复盘Skill之后，再做第二个脚本拆解Skill，因为脚本是内容质量的直接决定因子，而且它的输出结构相对成熟、容易定义。最后再做选题和剪辑两个Skill，前者需要真实数据反哺，后者最好在你的剪辑风格基本稳定之后再固化。
6.3 配置成本和适合人群
一个Skill从写到跑通，我自己平均要花一两个小时，核心是写清输入输出和处理规则。写完之后，后续维护就是小修小补。这个配置成本不算高，但有一个前提：你得先具备明确的短视频生产SOP，知道自己的流程每一步该做什么。如果你的内容生产还处于“想到哪做到哪”的阶段，建议先把手动流程跑顺，再把它Skill化。顺序反了的话，你只会得到一套自动化的混乱流程。
适合用这套思路的人，我总结下来有三类：一类是独立创作者，一个人干一个团队的活，需要把重复劳动外包给Agent；第二类是小团队运营，需要统一内容标准，让不同人按同一套方法论产出；第三类是做矩阵账号的操盘者，需要批量、稳定、可复制的生产能力。
7. 生产环境里反复踩的坑，我给一份避雷清单
7.1 坑一：AI自由发挥导致输出格式漂移
这是我最先遇到、也最头疼的问题。同一个Skill，上午调用还规规矩矩按表格输出，下午调用突然就换成自然段描述，字段还少了几个。原因是模型在长时间、多次调用过程中，对指令的遵循度会波动，尤其在上下文变长之后。
我的解决办法是在Skill文件里加“输出格式强制声明”区块，把输出模板直接写死在文件里，并用非常命令式的语言限定：只允许输出本模板内容，禁止改变字段顺序，禁止增加模板之外的字段。实测下来，格式漂移的概率从接近一半降到了偶尔一次。如果你发现某个Agent平台有“输出格式验证”这类功能，一定要打开，它能帮你拦下一半明显的格式错误。
7.2 坑二：Skill文件写太厚，规则越多效果越差
刚开始做Skill的时候，我总是想把所有注意事项全部写进文件里，觉得写得越细越稳。结果发现，一个文件超过两千字之后，AI经常抓不住重点，对一些边缘规则反而执行得很僵硬，核心输出质量反而下降。这就像给员工发了一本五百页的规章制度，最后大家记住的只有前三条。
我后来的做法是“三条核心规则原则”：每个Skill文件里，最重要的强制规则不超过三条，其他都弱化为“参考建议”。另外，一个大Skill如果逻辑太复杂，就拆成两个小Skill，让第一个先输出中间结果，第二个再基于中间结果做二次加工。模块化之后，每个文件都轻量，维护和调优都更轻松。
7.3 坑三：把Skill当成“自动出片神器”，期待值完全错误
这是最大的一个坑，也最容易让人失望。Skill不是你把一个方向词丢进去，第二天就有一条做完的成片掉出来。它做的是把每个环节里的重复劳动、格式整理、信息梳理给消化掉，但核心的创意判断、审美取舍、表达风格，仍然得靠人。AI可以帮你拆出十个爆款的结构，但选哪个结构、填什么内容、拍到什么程度，这是人的工作。
我见过不少朋友用了这类工具之后，抱怨“AI做出来的东西太模板化”。其实问题不在AI，在于他期待AI替他完成创意，而创意恰恰不是Skill能取代的部分。真正跑通的方式是：把所有“标准化工作”交给Skill，把人省下来的时间全部投入到“创意和表达”上。
7.4 我现在的处理方式：每个Skill都做版本管理
最后分享一个我现在养成的习惯：每次调整Skill文件里的规则，我都会在元信息里手动改一个版本号，比如从v1.0改成v1.1，并把改动原因写在文件末尾的变更记录里。这个动作看起来很简单，但是帮我解决了一个很实际的问题：当某一天输出质量突然下降，或者有了一个用得特别好的输出样本，我能快速定位到是哪个版本的规则导致的。没有版本管理的时候，你对Skill文件的修改是黑盒的，出了问题根本没法追溯。加了变更记录之后，调优就变成一个可迭代、可回滚的过程。这个小习惯，是我踩了两次坑之后才养成的，现在一直沿用，也算是这篇分享最后想推荐给你的一个操作细节。
